KI-Anwendungen selbst erstellen und mit eigenen Daten nutzen - das ist möglich mit frei verfügbarer Technologie, lokaler Hardware und sogar ohne Programmierkenntnisse.Die KI-Technologie wird in atemberaubendem Tempo immer zugänglicher. Mit diesem Buch sind Sie immer einen Schritt voraus. Lernen Sie einschlägige KI-Verfahren kennen und setzen Sie für jedes dieser Verfahren eine Anwendung selbst um. Dafür nutzen Sie die Data Science Plattform KNIME - ideal, um eigene Daten aus unterschiedlichen Quellen zu integrieren und mit rein grafischer Programmierung Anwendungen zu erstellen.Das Buch deckt eine Reihe von Themen ab, darunter: Künstliche neuronale Netze Entscheidungsbäume Bilderkennung Convolutional Neural Networks Transfer Learning Textgenerierung Unsupervised und Reinforcement Learning Transformer: ChatGPT, DALL-E und Co.Außerdem führen wir Sie in die Welt von TensorFlow und Keras ein und zeigen Ihnen, wie Sie Anwendungen in einfachem Python erstellen können. Alle vorgestellten Projekte sind in der beruflichen Bildung erprobt und haben sich als effektiv erwiesen.So bereichern Sie Ihre Skills mit einem modernen Werkzeugkasten, mit dem Sie maschinelles Lernen in der Datenanalyse, dem Controlling und vielen weiteren Anwendungsfeldern nutzen können.Alle Codebeispiele zum Download; Jupyter Notebooks erleichtern die Arbeit mit dem Material zum Buch. Starten Sie jetzt mit Ihrer eigenen KI!

Projekte in einfachem Python - ohne Vorkenntnisse einsteigen

Materialien zum Buch ... 131. Einleitung ... 151.1 ... Was bietet dieses Buch? ... 161.2 ... Was ist eine 'künstliche Intelligenz'? ... 171.3 ... Geschichte der KI -- ein kurzer Überblick ... 191.4 ... Verwendete Werkzeuge ... 212. Installation ... 272.1 ... Anaconda-Distribution ... 272.2 ... KNIME ... 333. Das künstliche neuronale Netz ... 433.1 ... Klassifizierung ... 443.2 ... Das Kochrezept ... 463.3 ... Aufbau künstlicher neuronaler Netze ... 503.4 ... Aufbau eines künstlichen Neurons ... 523.5 ... Feed Forward ... 533.6 ... Backpropagation ... 563.7 ... Aktualisierung der Gewichte ... 583.8 ... KNN für Klassifizierung ... 613.9 ... Hyperparameter und Overfitting ... 693.10 ... Umgang mit nichtnumerischen Daten ... 713.11 ... Umgang mit Datenlücken ... 733.12 ... Korrelation versus Kausalität ... 753.13 ... Normierung der Daten ... 843.14 ... Regression ... 873.15 ... Deployment ... 893.16 ... Übungen ... 954. Entscheidungsbäume ... 994.1 ... Einfache Entscheidungsbäume ... 1004.2 ... Boosting ... 1124.3 ... XGBoost Regressor ... 1224.4 ... Deployment ... 1234.5 ... Entscheidungsbäume mit Orange ... 1254.6 ... Übungen ... 1295. Faltungsschichten, Bilder und mehr ... 1315.1 ... Einfache Bildklassifizierung ... 1335.2 ... Hyperparameter-Optimierung mit Early Stopping und KerasTuner ... 1385.3 ... Convolutional Neural Network (CNN) ... 1435.4 ... Bildklassifizierung mit CIFAR-10 ... 1505.5 ... Verwendung vortrainierter Netze ... 1535.6 ... Übungen ... 1576. Transfer Learning ... 1596.1 ... Funktionsweise ... 1626.2 ... Übungen ... 1697. Anomalieerkennung ... 1717.1 ... Unausgewogene Daten ... 1727.2 ... Resampling ... 1777.3 ... Autoencoder ... 1797.4 ... Übungen ... 1868. Textklassifizierung ... 1878.1 ... Embedding Layer ... 1878.2 ... GlobalAveragePooling1D Layer ... 1918.3 ... Text Vectorization ... 1938.4 ... Analyse der Zusammenhänge ... 1968.5 ... Klassifizierung großer Datenmengen ... 2018.6 ... Übungen ... 2049. Clusteranalyse ... 2059.1 ... Grafische Analyse der Daten ... 2069.2 ... Der Algorithmus k-Means-Clustering ... 2119.3 ... Das fertige Programm ... 2149.4 ... Übungen ... 21710. AutoKeras ... 21910.1 ... Klassifizierung ... 22010.2 ... Regression ... 22210.3 ... Bildklassifizierung ... 22310.4 ... Textklassifizierung ... 22610.5 ... Übungen ... 22911. Visuelle Programmierung mit KNIME ... 23111.1 ... Einfache künstliche neuronale Netze ... 23211.2 ... XGBoost ... 25211.3 ... Bildklassifizierung mit vortrainiertem Modell ... 25611.4 ... Transfer Learning ... 26211.5 ... Autoencoder ... 26811.6 ... Textklassifizierung ... 27711.7 ... AutoML ... 28111.8 ... Clusteranalyse ... 28511.9 ... Zeitreihenanalyse ... 29011.10 ... Textgenerierung ... 30611.11 ... Weitere Hinweise zu KNIME ... 31211.12 ... Übungen ... 31312. Reinforcement Learning ... 31712.1 ... Q-Learning ... 31812.2 ... Erforderliche Python-Kenntnisse für das Spiel ... 32412.3 ... Training ... 32912.4 ... Test ... 33212.5 ... Ausblick ... 33312.6 ... Übungen ... 33413. Genetische Algorithmen ... 33513.1 ... Der Algorithmus ... 33613.2 ... Beispiel einer sortierten Liste ... 34013.3 ... Beispiel für Gleichungssysteme ... 34313.4 ... Beispielanwendung aus der Praxis ... 34613.5 ... Übungen ... 34914. ChatGPT und GPT-4 ... 35114.1 ... Prompt Engineering ... 35414.2 ... Programmierschnittstelle ChatGPT ... 37214.3 ... Übung ... 38915. DALL-E und Nachfolgemodelle ... 39115.1 ... DALL-E 2 ... 39215.2 ... DALL-E 3 ... 39715.3 ... Programmierschnittstelle ... 39915.4 ... Übung ... 40516. Ausblick ... 407Anhang ... 409A ... Lösungen ... 409B ... Literaturhinweise ... 445Index ... 447